PMF and product-market fit analytics

Il product-market fit non è un premio da dichiarare, è un sistema di segnali da leggere nel tempo. Questa lezione lo tratta come una diagnosi operativa: le survey dicono che il prodotto piace, ma retention, referral e willingness to pay raccontano spesso una storia meno stabile. Il punto non è accumulare definizioni, ma capire quale decisione cambia quando il dato diventa più affidabile.

Il problema che vedi sul campo

Il problema non è conoscere il PMF in astratto. È decidere cosa fare quando il team ha dati incompleti, metriche ambigue o vincoli tecnici che rendono fragile la lettura. Una lezione utile separa il segnale dal rumore, indica una baseline credibile e dice quale azione diventa più difendibile dopo l’analisi. Conviene leggerla come una verifica di trazione reale: il PMF emerge quando segmenti specifici mostrano bisogno forte, uso ricorrente, valore percepito e disponibilità a scegliere il prodotto anche di fronte ad alternative.

Come ragionare sul fenomeno

Conviene seguire una sequenza fissa che lega la domanda al dato e poi all’azione. Senza questo filo, una nozione tecnica diventa rituale.

Step	Question to ask	Expected output
Decision	Che cosa cambia se capiamo meglio il PMF?	Scelta esplicita
Signal	Quale dato osservabile riduce l’incertezza?	Metrica o evento
Baseline	Rispetto a cosa interpretiamo il risultato?	Credible comparison
Vincolo	Che cosa puo falsare la lettura?	Assunzione da dichiarare
Action	Quale passo operativo segue?	Raccomandazione controllabile

Tre domande aiutano a inquadrare il caso prima ancora di guardare i numeri: quale segmento potrebbe avere fit mentre la media lo nasconde, quale combinazione di segnali rende credibile il PMF, e quando converrebbe restringere il mercato invece di scalare. La media aggregata è solo il punto di partenza: se due segmenti si muovono in direzioni opposte, non rappresenta nessuno dei due e può portare a una decisione sbagliata. Segmenta sempre per canale, coorte, piano, paese, device e maturità dell’utente.

Rendere esplicite le assunzioni

Formalizzare serve a rendere visibili le assunzioni, così un altro analista può riprodurre la logica, criticare le ipotesi e arrivare alla stessa decisione partendo dagli stessi dati. Definisci prima l’unità di lavoro (cliente, campagna, segmento, previsione o feature), poi collegala a una metrica osservabile (lift, errore, stabilità, valore marginale e costo operativo) e infine dichiara la decisione attesa.

Element	Operational Definition	Controllo minimo
Unit of analysis	Oggetto su cui misuri il fenomeno	Utente, account, evento, ordine o periodo
Variabile osservata	Segnale che rappresenta il comportamento	Definizione stabile e tracciabile
Baseline	Stato contro cui confronti il segnale	Periodo, segmento, controllo o benchmark
Soglia decisionale	Punto in cui cambia l’azione	Criterio scritto prima della lettura
Rischio residuo	Errore che puo restare anche dopo l’analisi	Sensitivity check o revisione qualitativa

The 5 PMF metrics

Metric	PMF Threshold	Measurement Period	Data source
Retention D30 flatness	D30 ≈ D60 ≈ D90 (variation <20%)	3 months per cohort	Event tracking
NRR (SaaS)	>100%	Rolling 12 months	Invoices/contracts
Sean Ellis test	>40% “very disappointed”	Quarterly survey	In-app survey
Organic growth share	>40% new users	Monthly, trend	Acquisition tracking
Cohort-over-cohort	Each cohort better than the previous	Monthly	Retention matrix

Retention flatness: the strongest signal

A retention curve that flattens is the strongest PMF signal. It means users who pass the initial phase find lasting value:

WITH cohort_retention AS (
  SELECT cohort_month, period_number,
         COUNT(DISTINCT user_id) AS active,
         FIRST_VALUE(COUNT(DISTINCT user_id)) OVER (PARTITION BY cohort_month ORDER BY period_number) AS cohort_size
  FROM user_activity
  GROUP BY cohort_month, period_number
)
SELECT period_number,
       AVG(active * 1.0 / cohort_size) AS avg_retention,
       STDDEV(active * 1.0 / cohort_size) AS stddev_retention
FROM cohort_retention
GROUP BY period_number
ORDER BY period_number;

Se la retention media al periodo 3 è 4.2%, al periodo 6 è 4.0%, e al periodo 9 è 3.8%, la curva è piatta. Il prodotto ha un “core” di utenti stabile. Questo è PMF.

NRR: the gold standard for SaaS

Net Revenue Retention measures whether existing customers expand spending faster than they reduce it:

WITH mrr_by_customer AS (
  SELECT customer_id, month, SUM(mrr) AS mrr
  FROM invoices GROUP BY 1, 2
),
cohort_start AS (
  SELECT customer_id, MIN(month) AS start_month, SUM(mrr) AS start_mrr
  FROM mrr_by_customer GROUP BY 1
),
mrr_12m_later AS (
  SELECT cs.customer_id, cs.start_month, cs.start_mrr,
         COALESCE(SUM(mbc.mrr) FILTER (WHERE mbc.month = cs.start_month + INTERVAL '12 months'), 0) AS end_mrr
  FROM cohort_start cs
  LEFT JOIN mrr_by_customer mbc ON cs.customer_id = mbc.customer_id
  GROUP BY 1, 2, 3
)
SELECT start_month,
       SUM(start_mrr) AS starting_arr,
       SUM(end_mrr) AS ending_arr,
       ROUND(SUM(end_mrr) * 100.0 / SUM(start_mrr), 1) AS nrr_pct
FROM mrr_12m_later
GROUP BY start_month;

NRR >120% è world-class (Snowflake 158%, Twilio 135%, Crowdstrike 125%). NRR >100% significa che anche azzerando le nuove acquisizioni l’azienda cresce. È PMF definitivo.

Sean Ellis test: the definitive question

“How disappointed would you be if [product] no longer existed?”

• Very disappointed
• Very disappointed
• Somewhat disappointed
• Not disappointed at all

La soglia è >40% di “molto deluso”. Se la superi, hai PMF. L’implementazione tipica seleziona prima chi sondare, poi analizza le risposte per segmento:

# Identify who to survey: active in the last 30 days
eligible = df[df['days_since_last_active'] <= 30]
# Sample 500-1000 users, send survey in-app or by email
# Analysis by segment: power users vs casual
results = survey_data.groupby('user_segment')['response'].value_counts(normalize=True)
print(results.unstack())

Il caso più noto è il PMF journey di Superhuman, client email premium a $30/mese. Rahul Vohra, il CEO, ha raccontato che erano bloccati con growth piatto. Hanno inviato il Sean Ellis test e solo il 22% rispose “very disappointed”. Segmentando le risposte hanno scoperto che quel 22% erano power user con un comportamento specifico: raggiungevano “Inbox Zero” regolarmente. Hanno riprogettato l’onboarding per portare tutti gli utenti a quel comportamento. Dopo 6 mesi i “very disappointed” erano saliti al 58%. Oggi Superhuman ha una waiting list di centinaia di migliaia di persone.

Real Case: Notion's PMF Dashboard

Notion ha costruito un “PMF Dashboard” interno che traccia 8 metriche in tempo reale. Le più importanti sono il rapporto DAU/MAU (target >30%), la retention D30 per coorte, l’NPS per paese e il net revenue retention. Quando una metrica devia, un alert automatico notifica il team prodotto. Il dashboard ha aiutato Notion a identificare che il Giappone aveva retention del 40% più bassa degli USA: hanno investito in localizzazione e la retention è salita del 25% in 6 mesi.

Esempio: la decisione, non la definizione

La media del prodotto sembra mediocre, ma un segmento di team piccoli trattiene il 60% a 90 giorni, invita colleghi e paga senza sconto. Il caso sposta il PMF da slogan a diagnosi: forse non manca fit, forse il mercato iniziale è stato definito troppo largo. La domanda non è quale sia la definizione corretta, ma quale scelta diventa meno rischiosa se l’analisi è fatta bene.

Situation	Cautious interpretation	Decision
Il dato migliora ma la baseline e debole	Il segnale potrebbe essere reale o dipendere dal campione	Rafforzare il confronto prima di scalare
La metrica cambia in un solo segmento	Average effect hides heterogeneity	Separate cohorts or use cases
Il costo operativo aumenta	Il beneficio va valutato sul margine	Applicare una soglia economica esplicita
Il sistema produce numeri incoerenti	La fiducia nel dato e parte della decisione	Correggere ownership e controlli

Quality control

Prima di usare il PMF in una decisione, controlla sempre completezza, duplicati, timezone, definizioni cambiate e segmenti esclusi. Molte analisi apparentemente sofisticate falliscono perché il dato di partenza misura un comportamento diverso da quello che il team crede di osservare.

Lab ed esercizio

Al livello base scrivi una scheda di una pagina: decisione da supportare, metrica primaria, baseline, rischio principale e azione se il segnale è confermato. Al livello intermedio costruisci una tabella con tre segmenti, periodi o scenari; per ciascuno indica cosa cambia, quale spiegazione alternativa è plausibile e quale controllo useresti prima di raccomandare un’azione. Al livello research-grade prepara un decision memo con ipotesi, dati richiesti, criteri di esclusione, controlli di qualità, soglia decisionale, rischio residuo e piano di monitoraggio.

Per i dati puoi partire da CRM, campagne, transazioni, feature marketing, testo, embeddings e serie storiche. Se non hai accesso a dati reali, crea un dataset sintetico con almeno 200 righe, una dimensione temporale, una dimensione segmento e una metrica di outcome.

Typical mistake to avoid

L’errore più comune è usare il PMF come etichetta invece che come processo. Succede quando il team mostra un grafico senza decisione, una metrica senza baseline, o una conclusione senza indicare quale assunzione potrebbe invalidarla. La domanda di controllo è semplice: se questo risultato fosse instabile, quale scelta sbaglierei? Se la risposta non è concreta, manca ancora il collegamento tra analisi e azione. Tienilo presente anche quando rispondi alle domande di checkpoint: quale decisione dovrebbe migliorare, quale unità di analisi rende il problema misurabile, quale baseline evita una lettura ingenua, quale errore tipico cambierebbe la conclusione e quale output consegneresti a uno stakeholder non tecnico.

Operational Summary

Il PMF analytics diventa utile quando produce una decisione più chiara, non quando aggiunge terminologia. Hai assimilato davvero questa lezione quando riesci a usarla in tre modi: spiegare il concetto senza gergo inutile, applicarlo a un caso piccolo ma realistico, e difendere una raccomandazione includendo limiti e prossimi controlli. La forma corretta resta sempre la stessa: decisione, segnale, baseline, rischio e azione. Se manca uno di questi elementi, torna al modello concettuale e riduci l’ambizione dell’esempio. Meglio una prova piccola ma rigorosa di un grande progetto che non rende verificabile la decisione.